गाइड से जुड़ी प्रश्नोत्तरी · आसान स्तर
कन्फ्यूजन मैट्रिसेस क्विज़
समीक्षा करें कि कैसे भ्रम-मैट्रिक्स गणना क्लासिफायर त्रुटियों को प्रकट करती है, सामान्य मेट्रिक्स का समर्थन करती है, और कक्षा और पुस्तकालय सम्मेलनों में भिन्न होती है।
प्रश्न 1 का 8
बाइनरी कन्फ्यूजन मैट्रिक्स में, गलत नकारात्मक क्या है?
प्रत्येक प्रश्न का पूर्वावलोकन करें8 प्रश्न
जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।
- बाइनरी कन्फ्यूजन मैट्रिक्स में, गलत नकारात्मक क्या है?
- मॉडल ने एक सकारात्मक मामले को गलत तरीके से नकारात्मक बताया
- एक नकारात्मक की सही भविष्यवाणी नकारात्मक के रूप में की गई
- एक नकारात्मक को गलत तरीके से सकारात्मक के रूप में अनुमानित किया गया
- एक सकारात्मक की सही भविष्यवाणी सकारात्मक के रूप में की गई
- परिशुद्धता की गणना इस प्रकार की जाती है:
- टीपी / (टीपी + एफएन)
- टीपी / (टीपी + एफपी)
- टीएन / (टीएन + एफपी)
- (टीपी + टीएन) / कुल
- कौन सा मीट्रिक वास्तविक सकारात्मकता के अनुपात को मापता है जिसे मॉडल सही ढंग से पहचानता है?
- परिशुद्धता
- विशिष्टता
- स्मरण करो
- सटीकता
- 5 वर्गों वाली किसी समस्या के लिए भ्रम मैट्रिक्स में, विकर्ण कोशिकाएँ क्या दर्शाती हैं?
- ग़लत भविष्यवाणियाँ
- केवल झूठी सकारात्मक बातें
- नमूनों की कुल संख्या
- प्रत्येक वर्ग के लिए सही भविष्यवाणियाँ
- भ्रम मैट्रिक्स के बिना अकेले सटीकता भ्रामक क्यों हो सकती है?
- यह विभिन्न त्रुटि प्रकारों जैसे झूठी सकारात्मकता और झूठी नकारात्मकता के बीच संतुलन को छुपाता है
- सटीकता हमेशा गलत होती है
- बाइनरी समस्याओं के लिए इसकी गणना नहीं की जा सकती
- इसमें लेबल के बजाय संभावनाओं की आवश्यकता होती है
- F1 स्कोर किन दो मेट्रिक्स का हार्मोनिक माध्य है?
- सटीकता और विशिष्टता
- परिशुद्धता और स्मरण
- संवेदनशीलता और विशिष्टता
- सच्ची सकारात्मकता और सच्ची नकारात्मकता
- In a binary confusion matrix, which count is a False Positive?
- An actual positive that the model predicts as positive
- An actual positive that the model predicts as negative
- An actual negative that the model predicts as positive
- An actual negative that the model predicts as negative
- Why should you check a library's confusion-matrix axis labels before calculating precision or recall?
- The diagonal always contains false positives
- Axis order changes the number of observations in the dataset
- Precision and recall use no confusion-matrix cells
- Libraries may place true classes in rows and predicted classes in columns, or use a different orientation